في عالم اليوم، يعتمد الكثير من الذكاء الاصطناعي على نماذج اللغات الضخمة (Large Language Models - LLMs)، والتي غالباً ما يتم تدريبها على مهام استنتاجية تعتمد على المنطق الاستدلالي مثل الرياضيات والبرمجة. لكن هل فكرت يوماً بمدى تعقيد الاستدلال الاستقرائي (Inductive Reasoning)؟ في الوقت الذي يمكن فيه لأجهزة الذكاء الاصطناعي إجراء عمليات حسابية دقيقة، يتطلب الاستدلال الاستقرائي القدرة على استنتاج معتقدات غير مؤكدة بناءً على ملاحظات متفرقة وغير واضحة.

ومؤخراً، واجه الباحثون تحديات متعددة في استخدام طرق التدريب التقليدية لتعزيز قدرة هذه النماذج على الاستدلال الاستقرائي، ولا سيما صعوبة تجميع مجموعات بيانات موسعة وذات جودة عالية مع وضوح الأهداف التي يتعين التعامل معها. ولهذا جاء البحث الجديد الذي قدمه العلماء بعنوان "تدريب الاحتمالات المعتمدة على البرامج" (Program-based Posterior Training - PPT)، ليقدم حلاً مبتكراً ومثيرًا.

تستند هذه الطريقة على استخدام نماذج اللغات الضخمة لتوليد سيناريوهات متنوعة في العالم المفتوح كبرامج احتمالية، ليتم بعدها تنفيذ الاستدلال الاحتمالي لإنتاج استجابات مستهدفة موزعة. يرتكز التدريب بعد ذلك على مجموعة من العلامات الناعمة الاحتمالية. من خلال هذا الأسلوب، تمكن الباحثون من تدريب نماذج اللغات الضخمة على 10,000 سيناريو تم إنشاؤه برمجياً، مع تقييم النتائج بناءً على مقاييس مستقلة وتقييمات بشرية.

أظهرت النتائج المحققة أن نهج مدخلات البرامج الاحتمالية يعزز بشكل ملحوظ دقة التقديرات ويزيد من التوافق مع الأحكام البشرية. كما أنه يظهر تحسناً في التقديرات الخارجية، دون الاعتماد على استراتيجيات المعايرة التقليدية، مما يعني أن هذه النماذج قد استوعبت عدم اليقين بشكل أعمق. تعكس هذه النتائج أن تحسين التدريب باستخدام برامج احتمالية يعد اتجاهًا واعدًا لتزويد نماذج اللغات الضخمة بقدرة استدلال استقرائي موثوق به.

فما رأيكم في هذا الابتكار؟ هل تظنون أنه قد يُحدث فرقًا في مستقبل الذكاء الاصطناعي؟ شاركونا في التعليقات!